新能源風光發電預測技術的發展及應用研究

霍云龍

摘要： 新能源中的風力發電和光伏電力發電不僅具有能源隨機性、湍流性和能源性別確定性等決定性的基本特點，在現代電網建設運行管理過程中也同樣具有一定的慣性特點。因此應特別注意準確性地預測新一代能源的風力和光伏電力發電。通過研究總結和分析研究關于風力發電和光伏電力發電的一般輸出能源曲線基本特征，總結了關于風力發電和光伏電力發電的一般能源輸出曲線特征，提出了關于風力發電和光伏電力發電能源預測的一個基本思路。首先考慮一般的能源預測工作過程。

關鍵詞：新能源;風光發電技術;應用

引言

為了充分滿足并網時間平衡性和運行平穩特性的基本要求，有必要重新配置完全不相匹配的縱向旋轉率和備用發電容量，以有效解決風能和大型太陽能的運行不穩定性。特別是在水力發電和大型太陽能聯合并網協同運行的運營過程中，增加旋轉備用發電容量很容易大大增加其運營成本。通過對大型風力發電和大型太陽能并網發電趨勢進行準確有效的趨勢預測，可以有效大大降低風力電網的縱向旋轉率和備用發電容量，從而有效率地降低風力電網的橫向旋轉率和備用發電容量，提高新能源吸收能力。

一、風電功率預測現狀

風電風能功率模型預測一般可以包括間接風速模型預測、功率模型曲線導入計算和數據模型導入輸出數據統計，其中最重要的一種是間接風速功率預測。由于風速受各地溫差、壓差、空氣密度和自然地形的因素影響，風速已逐漸成為最難準確預測的一種氣象歷史參數。根據風速預測適用時間段的范圍，風電功率預測一般可以細分為3～10天的長期時間預測、6～72小時的中期時間預測和0～6小時的短期時間預測。在這些風能功率預測中，最重要的氣象信息因素是這些氣象歷史參數和整個風力發電場的歷史數據。這些氣象歷史參數主要來自整個風電場周圍的氣象測量處理設備，如電子氣象預測傳感器和其他氣象部門的實時天氣預報。在此之前，所有的的風電功率預測都在模型中都可以細分為間接自動預測和直接自動預測。

組合整體預測數據模型分析是一種特殊的綜合統計分析模型。它將多種不同綜合預測分析技術的綜合預測分析結果有機結合應用起來，得到最佳的綜合預測分析結果。從許多研究者的結果分析來看，使用一套合適的整體預測數據生成響應技術用來進行多方綜合數據預測往往遠遠優于使用任何一方的綜合預測數據生成應用技術。

二、光伏發電預測現狀

光伏發電技術是一種利用位于半導體電子界面的光伏發電效應將大量太陽能直接轉化成為電能的一種技術。與成熟的風力發電性能預測系統技術研究相比，光伏電站發電性能預測的技術研究還只是處于一個起步初的階段，文獻中已經提出的研究項目相對較少。一些預測專家提出如何利用雙向和針對正交小波分解人工神經網絡的預測系統結構設計，將雙向小波回歸太陽輻射分解定義為一個小整數波長的雙向空間遞歸壓縮輻射信號。他們提出利用不斷改進的小波遞歸壓縮機器自動學習性能預測系統算法，利用針對小波回歸壓縮后的空間輻射信號進行幅度計算系數系統結構重新定義的方法和用來準確預測人工神經網絡的自動可調性適應小波回歸信號幅度計算系數系統結構，提出了一種可以用于不斷提高非線性自動可適應小波回歸人工神經網絡技術性能以及預測處理系統技術性能的預測技術研究方法。一些科學研究所的工作人員先后兩次提出了直接和間接的性能預測系統方法并可以用來準確性地預測第二天的整個光伏電站性能發電量級。

三、風光發電預測技術的發展及方法

1、以時間序列法為代表的傳統統計法

時間序列法是利用風力發電的一組基礎數據，按時間順序形成一個數值序列，并用數理統計方法對其進行處理，實現對未來風力發電的預測。其基本原則是：首先，通過對歷史數據的分析，確定事物的發展是連續的，可以推斷未來的發展趨勢;其次，采用統計分析中的加權平均法消除隨機因素的影響。根據濾波器的特點，常用的時間序列有ar、Ma、ARMA和ARIMA。時間序列法原理簡單，但擴展精度較低。一般來說，它只適用于超短期和超短期負荷預測。利用馬爾可夫鏈模擬風力發電的隨機過程。采用連續波動蒙特卡羅方法對風力發電的時域特性進行了建模，并對其性能進行了分析。

2、以人工神經網絡為代表的現代統計預測法

近年來，人工神經網絡在預測領域得到了廣泛的應用。人工神經網絡的一個重要本質特性問題也就是如何可以利用數學分析系統方法用來建立一個數學分析系統模型并可以用來準確預測模擬各種野生動物人工神經網絡的各種物理化學特性。通過分布式的對并行功率信息處理的網絡反復綜合訓練，不斷優化調整人工神經網絡中各處理節點的信息連接處理方式和網絡權值，達到實時預測和分析處理功率信息的主要目的。常用的人工神經網絡處理模型主要種類包括四種FNN前饋算法。BP回歸神經網絡處理模型（又例如BLRNN、MPLNN和FNRBFNN）主要用于對通風電站的功率信息預測。通過各種算例研究分析了不同高度和輸入口處的風速對于通風功率信息預測處理結果的直接影響。與目前應用最廣泛的兩種FNN算法前饋回歸神經網絡模型相比，FNN前饋回歸人工神經網絡模型作為一種特別適用于不同時間長度序列信息預測的人工神經網絡處理模型。

3、組合預測法

組合預測方法是考慮兩種或兩種以上單一預測方法的組合預測方法。實踐表明，多種預測方法的結合是提高景觀預測精度的重要途徑。組合的類型有：（1）物理預測方法和統計預測方法的組合。首先，從數值天氣預報中獲取天氣預報信息，然后進行處理和選擇。通過對歷史數據的訓練和學習，將所需數據發送到統計預測模型中進行景觀產量預測。

結束語

通過研究和總結風電和光伏輸出曲線的特點，總結了風電和光伏輸出的一般規律。基于這些特點，提出了風電和光伏發電預測的相關概念和一般過程，并根據時間尺度、預測對象和預測方法對景觀預測的主要方法進行了分類。為了進一步提高精度，應根據實際情況采用統計方法等技術確定風速與功率輸出的精確關系。

參考文獻

[1]何黎娟.新能源風光發電預測技術的發展及應用[J].建筑工程技術與設計，2018，（31）：3176.

[2]張怡.新能源風光發電預測技術的發展及應用[J].浙江水利水電學院學報，2018，30（1）：68-74.

[3]張怡.新能源風光發電預測技術的發展及應用[J].浙江水利水電學院學報，2018，030 （001）：P.68-74.

[4]沈月.新能源——太陽能光伏發電并網及其相關技術發展現狀與展望[J].中國戰略新興產業，2018，（48）：24.

[5]王宗瑞，李昔真，蘇則立.中國風光互補聯合發電技術的現狀與展望[J].節能，2017，36（8）：4-7.